站内搜索

上一篇我们把双均线策略在 Backtrader 里跑通了，但你有没有留意到一个细节：`notify_trade` 打印的毛盈亏和净盈亏完全相等——因为那篇回测里，买卖是不花钱的。真实交易里每一次成交都要付费：券商佣金、印花税，还有更隐蔽的一项——你想按 10.00 元买，真正成交时往往已经变成了 10.01 元，这叫滑点（Slippage）。回测里不装上这两项成本，策略收益就像不加运费的商品标价，看着便宜，结账时才知道另一回事。

能说出向量化回测的三个局限，以及什么样的策略需求必须换事件驱动；能说出事件驱动引擎的四个核心状态：逐 bar 推进、订单、持仓、现金，并在代码里指出它们各自的载体

能说清回测的四个步骤，并指出回测能证明什么、不能证明什么；能识别未来函数（Look-ahead Bias），用 shift(1) 修正「当天信号当天交易」的错误写法

能用 rolling 与比较运算写出 MA5/MA20 金叉死叉信号，并说出两个信号的准确含义；能按「信号 shift(1) 变持仓」的纪律，写出不含未来函数的策略日收益公式

能说清均值回归的直觉，以及它成立的前提条件（震荡市 / 宽基指数 vs 趋势市）；能用 z-score 度量价格偏离程度，写出「z 低于 −1.5 入场、回到 0 出场、跌破 −3 止损」的完整规则

…喂给策略。自己造轮子能帮你真正理解回测的运转原理，但你也一定发现了：撮合怎么写、手续费怎么扣、订单没成交怎么办……这些工程细节又琐碎又容易出错，每写一个新策略都要重新…

能说出动量效应（Momentum Effect）的直觉解释，以及它在什么环境下容易失效；能用 Pandas 实现过去 N 日收益率排序选股 / 选 ETF 的最小动量策略，并用 shift(1) 杜绝未来函数

能说出金融 ML 与图像/文本任务的三点本质区别（信噪比、样本量、非平稳）；能用 Pandas 批量构造滞后收益、滚动波动率、量价比值、乖离率等基础特征，并理解「特征是策略思路的量化表述」

能用 (1 + 总收益)^(252/n) − 1 把任意区间的总收益折算成年化收益，并说出 252 与 n 各是什么；能用「日收益标准差 × √252」计算年化波动率，并按系列统一的年化 2% 无风险利率计算夏普比率

能逐条核对自己当前的量化流程，找出已经踩过或正在踩的坑；能把每条坑回指到合集里对应的篇章，知道去哪里找系统解法